Ma a fejlődés fellendülését tapasztaljuk információs technológiákés fokozatos, olykor forradalmi bevezetésük az életünkbe

Digitalizáció, robotizáció, mesterséges intelligencia, mesterséges neurális hálózatok… Hány új fogalom és kifejezés súrolja már a lehetséges távlatát, kényszerítve bennünket ezek gondolkodására, megértésére, alkalmazott, hatékony és biztonságos alkalmazásuk keresésére. És mégis, bármennyire is ígéretesek az új technológiák, ezek mind az emberi élet, az elméje, az agy munkájának és a gondolkodásnak a termékei.

Mi az a neuron?

Az átlagos emberi agy körülbelül 86 milliárd neuronból áll, amelyeket számos kapcsolat köt össze (átlagosan több ezer kapcsolat neurononként, de ez a szám nagymértékben ingadozhat). A neuronok olyan speciális sejtek, amelyek képesek elektrokémiai jeleket továbbítani. A neuronnak elágazó információs bemeneti szerkezete (dendritek), magja és elágazó kimenete (axonja) van. Egy sejt axonjai szinapszisokon keresztül kapcsolódnak más sejtek dendritjeihez. Amikor aktiválódik, egy neuron elektrokémiai jelet küld le az axonján. A szinapszisokon keresztül ez a jel eljut más neuronokhoz, amelyek viszont aktiválódhatnak. A neuron akkor aktiválódik, ha a dendritekből a magjába érkező jelek összszintje meghalad egy bizonyos szintet (aktivációs küszöböt).

Neurális hálózatok

Mesterséges neurális hálózatok, mesterséges intelligencia, gépi tanulás… Mit jelentenek manapság ezek a divatos trendek és kifejezések?

A szó általános értelmében a neurális hálózatok (NN – Neural Networks) olyan matematikai modellek, amelyek a hálózatok elvén működnek. idegsejtekállati szervezet. A mesterséges NN-ek (ANN-ok) programozható és hardveres megoldásokban is megvalósíthatók. Az észlelés megkönnyítése érdekében a neuron egyfajta sejtként ábrázolható, amelynek sok bemenete és egy kimenete van. A számítási algoritmus határozza meg, hogy hány bejövő jel formálódik kimenő jellé. Egy neuron minden bemenete működési értékekkel van ellátva, amelyek azután interneuronális kapcsolatok (szinopszisok) mentén oszlanak el. A szinapszisoknak van egy paramétere - a súly, amely miatt a bemeneti információ megváltozik, amikor egyik neuronról a másikra mozog.

időbeli trend

Az elmúlt néhány évben robbanásszerűen megnőtt az érdeklődés az ANN-ok iránt. A kutatók – programozók és hardvermodellek fejlesztői – egyre új, hatékony kreatív szoftvereket és hardvermegvalósításokat készítenek, amelyek a biológiai neurális hálózatok szerveződésének és működésének elvén alapulnak. A neurális hálózatok intuitív szempontból vonzóak, mivel az idegrendszerek biológiai modelljén alapulnak. A jövőben az ilyen neurobiológiai modellek kidolgozása valóban gondolkodó számítógépek létrehozásához vezethet. A mesterséges intelligencia létrehozásához pedig egy hasonló architektúrájú rendszert kell felépíteni.

Hol alkalmazzák

ANN a tanulási képesség miatt, valamint az, hogy ez a megjelenésnek köszönhető különböző módokon Tanulásuk felgyorsítását sikeresen alkalmazzák életünk legkülönbözőbb területein: az üzleti életben, az orvostudományban, a technológiában, a geológiában, a fizikában stb. Az ANN, mint egy rendkívül hatékony modellezési módszer, amely rendkívül összetett függőségek reprodukálását teszi lehetővé, egyre több alkalmazást talál: öntanuló gyártórendszeri folyamatok, pilóta nélküli járművek, képfelismerő rendszerek, intelligens biztonsági rendszerek, robotika, minőségfigyelő rendszerek, hang interakciós interfészek, elemző rendszerek és találmányok létrehozása sok más területen, ahol a felhalmozott feldolgozás problémáinak megoldására van szükség hatalmas információáramlás - felismerés, előrejelzés, osztályozás, ellenőrzés. Jelenleg az ANN tanulási folyamata sokkal gyorsabbá és könnyebbé vált: a képességek erősebbek lettek technikai eszközökkel(memóriakapacitás, sebesség technológiai növekedése; adatbázisok állandó felhalmozása stb.). Megkezdődött az úgynevezett „előre betanított” neurális hálózatok aktív fejlesztése, ami jelentősen felgyorsíthatja a technológia bevezetésének folyamatát.

Néhány plusz

Az ANN-ok iránti lenyűgöző sikert és érdeklődést az határozza meg, hogy képesek-e megbirkózni olyan feladatokkal, mint a tárgyak felismerésére és osztályozására szolgáló rendszerek képeken és tájakon a vizsgált területen, hang interakciós interfész a tárgyak internetéhez, videóelemzés, öntanuló rendszerek. amelyek optimalizálják az anyagáramlás kezelését vagy az objektumok elhelyezkedését; szellemi; öntanuló vezérlőrendszerek gyártási folyamatokhoz és eszközökhöz (beleértve a robotokat is), univerzális menet közbeni fordítás konferenciákra és személyes használatra stb. És ha még korai lenne megmondani, hogy a neurális hálózatok képesek lesznek-e valaha is teljes mértékben reprodukálni a Az emberi agy képességei, a valószínűsége Az, hogy a következő évtizedben az ANN-ok a meglévő szakmák egynegyedében képesek lesznek személyt helyettesíteni, egyre inkább az igazsághoz hasonlít.

Mesterséges intelligencia

Mi a mesterséges intelligencia? A mesterséges intelligencia (AI) alatt a fejlesztők azt értik, hogy egy gép képes utánozni az emberek intelligens viselkedését, vagyis azt a képességét, hogy a változó kontextusban eligazodjon, és ezeket a változásokat figyelembe véve olyan optimális döntéseket hozzon, amelyek lehetővé teszik a cél elérését. Az orvos számára nehéz lehet helyesen diagnosztizálni egy betegséget, különösen akkor, ha nincs sok gyakorlata, vagy egy konkrét eset távol áll a szakmai tapasztalatától. Itt a mesterséges intelligencia segítségére lehet, hiszen több ezer és millió esettörténettel (és egyéb megrendelt információkkal, többek között friss cikkekkel, tankönyvekkel, speciális orvosi szakirodalommal) rendelkező adatbázisokhoz férhet hozzá. A gépi tanulási algoritmusok segítségével a mesterséges intelligencia osztályoz egy konkrét esetet, gyorsan átvizsgálja a témában egy bizonyos idő alatt megjelent tudományos irodalmat, megvizsgálja a rendelkezésre álló hasonló eseteket, és javaslatot tesz a kezelési tervre. Ezenkívül a mesterséges intelligencia személyre szabott megközelítést tud majd nyújtani, figyelembe véve a vonatkozó információkat genetikai jellemzők a beteg, a hordható eszközei által összegyűjtött mozgásminták, korábbi kórtörténet - a teljes élettörténet. A mesterséges intelligencia valószínűleg (legalábbis a technológiai fejlődés jelenlegi szakaszában) nem helyettesíti az orvost, de hasznos eszközzé válhat és már most is válik a diagnózis és a kezelés asszisztensévé.

Miért van rá szükség az orvostudományban

Az orvostudomány, amely korábban elsősorban a kezelésre összpontosított akut betegségek, ezentúl jobban oda tud majd figyelni a krónikus betegségekre, amelyek közül sok nem is olyan régen még nem számított betegségnek. Már ma is rohamosan növekszik az orvosi adatok mennyisége, világossá válik, hogy az elemzés gyorsasága és minősége meghatározza a beteg egészségi állapotát, életminőségét. Az orvosok gyakran szembesülnek az elhízás, a depresszió, az idősek betegségeinek kezelésének szükségességével. A cukorbetegséget, a szívelégtelenséget, az autoimmun betegségeket egyre gyakrabban diagnosztizálják az exacerbációs fázison kívül, a legkorábbi stádiumban, és nem csak a fenntartó terápiáról beszélünk, hanem arról is, hogy a szervezet ezen szisztémás működési rendellenességei teljesen gyógyíthatók és kijavíthatók. A megelőző gyógyászat fejlesztése folyamatban van, amely lehetővé teszi bizonyos típusú betegségekre való hajlam felismerését még azok megjelenése előtt, és az időben történő intézkedések szükségességét. És mindez az AI-nak való munka.

A fogászat prognózisa

Az ANN kutatói azt jósolják, hogy a közeljövőben a neurális hálózatok használata a fogászatban is gyorsan fejlődni fog. Ez az irány nagy mennyiségű szükséges szakmai célorientált információ gyorsabb elemzését teszi majd lehetővé, és ami a legfontosabb, útmutatást és támpontokat tud adni az orvosoknak komplex klinikai problémák megoldásában.

Az anyag az adatok alapján készült
Internetes források Galina Masis

Jó napot, a nevem Natalia Efremova, és az NtechLab kutatója vagyok. Ma a neurális hálózatok típusairól és azok alkalmazásáról lesz szó.

Először is hadd mondjak néhány szót cégünkről. A cég új, talán sokan nem tudják, mivel foglalkozunk. Tavaly megnyertük a MegaFace kihívást. Ez egy nemzetközi arcfelismerő verseny. Ugyanebben az évben megnyílt a cégünk is, vagyis nagyjából egy éve vagyunk a piacon, sőt még egy kicsit tovább is. Ennek megfelelően az arcfelismerés és a biometrikus képfeldolgozás egyik vezető vállalata vagyunk.

Beszámolóm első része azoknak szól, akik nem ismerik a neurális hálózatokat. Közvetlenül mély tanulással foglalkozom. Több mint 10 éve dolgozom ezen a területen. Bár valamivel kevesebb, mint egy évtizede jelent meg, a neurális hálózatoknak régen voltak olyan alapjai, amelyek mély tanulási rendszernek tűntek.

Az elmúlt 10 évben a mély tanulás ill számítógépes látás hihetetlen ütemben fejlődött. Minden, ami ezen a területen jelentőset tett, az elmúlt 6 évben megtörtént.

Gyakorlati szempontokról fogok beszélni: hol, mikor, mit kell alkalmazni mélytanulás szempontjából kép- és videófeldolgozáshoz, kép- és arcfelismeréshez, hiszen egy ilyen cégnél dolgozom. Kicsit beszélek az érzelemfelismerésről, arról, hogy milyen megközelítéseket használnak a játékokban és a robotikában. Szólok még a tudományos intézményekből kikerülő, a gyakorlatban még keveset használt mély tanulás nem szabványos alkalmazásáról, hogyan alkalmazható, miért nehéz alkalmazni.

A jelentés két részből fog állni. Mivel a legtöbb ember ismeri a neurális hálózatokat, először gyorsan elmagyarázom, hogyan működnek a neurális hálózatok, mik azok a biológiai neurális hálózatok, miért fontos, hogy tudjuk, hogyan működnek, mik a mesterséges neurális hálózatok, és milyen architektúrákat használnak területeken.

Azonnal elnézést kérek, kicsit beleugrok az angol terminológiába, mert nem is tudom a legtöbbet hogy hívják oroszul. Talán neked is.

Tehát a jelentés első részét a konvolúciós neurális hálózatoknak szentelik. Az arcfelismerésből vett példán keresztül elmagyarázom, hogyan működik a konvolúciós neurális hálózat (CNN) képfelismerése. Beszélek egy kicsit a visszatérő neurális hálózatokról (RNN) és a megerősítő tanulásról a mély tanulási rendszerek példáján.

A neurális hálózatok nem szabványos alkalmazásaként arról fogok beszélni, hogyan működik a CNN az orvostudományban a voxelképfelismerés terén, hogyan használják a neurális hálózatokat az afrikai szegénység felismerésére.

Mik azok a neurális hálózatok

Furcsa módon a biológiai neurális hálózatok prototípusként szolgáltak a neurális hálózatok létrehozásához. Talán sokan tudják, hogyan kell programozni egy neurális hálózatot, de azt hiszem, hogy honnan jött, néhányan nem. A hozzánk érkező összes érzékszervi információ kétharmada az érzékelés látószerveiből származik. Agyfelszínünk több mint egyharmadát a két legfontosabb vizuális terület foglalja el - a dorsalis látópálya és a ventrális látópálya.

A dorsalis látópálya az elsődleges látózónában, a fejbúbunkban kezdődik, és felfelé folytatódik, míg a ventrális pálya a fejünk hátulján kezdődik és nagyjából a fülünk mögött ér véget. Minden fontos mintafelismerés, amivel rendelkezünk, minden jelentés, amivel tisztában vagyunk, ott, a fülek mögött zajlik.

Miért fontos? Mert gyakran meg kell érteni a neurális hálózatokat. Először is mindenki beszél róla, és én már megszoktam, hogy ez megtörténik, másodszor pedig az a tény, hogy minden terület, amit a neurális hálózatokban mintafelismerésre használnak, pontosan a ventrális vizuális útvonalról érkezett hozzánk, ahol mindegyik egy kicsi. zóna felelős a szigorúan meghatározott funkcióért.

A kép a retinából érkezik hozzánk, egy sor vizuális zónán halad át, és az időbeli zónában ér véget.

A múlt század távoli hatvanas éveiben, amikor az agy vizuális területeinek vizsgálata még csak elkezdődött, az első kísérleteket állatokon végezték, mivel nem volt fMRI. Az agyat különféle vizuális zónákba ültetett elektródák segítségével vizsgálták.

Az első vizuális zónát David Hubel és Thorsten Wiesel fedezte fel 1962-ben. Kísérleteket végeztek macskákon. A macskáknak különféle mozgó tárgyakat mutattak be. Az agysejtek arra reagáltak, hogy az állat felismerte az ingert. Még most is sok kísérletet hajtanak végre ilyen drákói módon. Ez azonban a legtöbb hatékony módszer megtudjuk, mit csinál agyunk minden apró sejtje.

Ugyanígy a vizuális zónák sok fontosabb tulajdonságát fedezték fel, amelyeket most a mélytanulásban használunk. Az egyik legfontosabb tulajdonság a sejtjeink receptív mezőinek növekedése, ahogy az elsődleges látóterületekről a temporális lebenyekbe, vagyis a későbbi látóterületek felé haladunk. A receptív mező a kép azon része, amelyet agyunk minden sejtje feldolgoz. Minden sejtnek megvan a maga receptív mezője. Ugyanezt a tulajdonságot őrzik meg a neurális hálózatok, amint azt valószínűleg mindenki tudja.

Ezenkívül a receptív mezők növekedésével nőnek azok az összetett ingerek, amelyeket a neurális hálózatok általában felismernek.

Itt példákat láthat az inger komplexitására, a különböző kétdimenziós alakzatokra, amelyek felismerhetők a V2, V4 és területeken. különböző részek időbeli mezők a makákókban. Számos MRI-kísérletet is végeznek.

Itt láthatja, hogyan végeznek ilyen kísérleteket. Ez az informatikai kéreg 1 nanométeres része "a majom zónái különböző tárgyak felismerésekor. Kiemelve, ahol felismerik.

Foglaljuk össze. Fontos tulajdonság, amit a vizuális területekről szeretnénk átvenni, hogy nő a receptív mezők mérete, és nő az általunk felismert objektumok összetettsége.

számítógépes látás

Mielőtt megtanultuk, hogyan alkalmazzuk ezt a számítógépes látásra - általában véve, mint olyan, nem létezett. Mindenesetre nem működött olyan jól, mint most.

Mindezeket a tulajdonságokat átvisszük a neurális hálózatba, és most már működik, ha nem teszünk bele egy kis kitérőt az adathalmazokhoz, amiről később beszélek.

De először egy kicsit a legegyszerűbb perceptronról. Az agyunk képében és hasonlatosságában is kialakul. A legegyszerűbb agysejtre emlékeztető elem egy neuron. Bemeneti elemei alapértelmezés szerint balról jobbra, esetenként alulról felfelé haladnak. A bal oldalon a neuron bemeneti részei, a jobb oldalon a neuron kimeneti részei találhatók.

A legegyszerűbb perceptron csak a legalapvetőbb műveletek elvégzésére képes. Ahhoz, hogy bonyolultabb számításokat végezhessünk, szükségünk van egy struktúrára nagy mennyiség rejtett rétegek.

A számítógépes látás esetében még több rejtett rétegre van szükségünk. És a rendszer csak akkor ismeri fel értelmesen, amit lát.

Tehát, hogy mi történik egy kép felismerésekor, az arcok példáján mondom el.

Elég egyszerű, ha ránézünk erre a képre, és azt mondjuk, hogy a szobor arcát ábrázolja. Ez azonban 2010-ig hihetetlenül nehéz feladat volt a számítógépes látás számára. Akik korábban foglalkoztak ezzel a kérdéssel, valószínűleg tudják, milyen nehéz volt szavak nélkül leírni azt a tárgyat, amelyet a képen szeretnénk megtalálni.

Valamilyen geometrikus módon kellett ezt megtenni, leírni a tárgyat, leírni a tárgy kapcsolatát, hogy ezek a részek hogyan kapcsolódhatnak egymáshoz, majd meg kellett találni a tárgyon ezt a képet, összehasonlítani és megkapni azt, amit rosszul ismertünk fel. Általában egy kicsit jobb volt, mint egy érmefeldobás. Kicsit jobb, mint az esélyszint.

Most nem ez a helyzet. Képünket vagy pixelekre, vagy néhány foltra bontjuk: 2x2, 3x3, 5x5, 11x11 pixel - ahogyan az a rendszer alkotói számára kényelmes, amelyben a neurális hálózat bemeneti rétegeként szolgálnak.

Az ezekből a bemeneti rétegekből származó jelek szinapszisok segítségével kerülnek továbbításra rétegről rétegre, mindegyik rétegnek megvan a maga specifikus együtthatója. Így megyünk rétegről rétegre, rétegről rétegre, amíg el nem kapjuk, hogy felismertük az arcot.

Hagyományosan ezek a részek három osztályba oszthatók, X-nek, W-nek és Y-nek jelöljük őket, ahol X a bemeneti képünk, Y a címkék halmaza, és meg kell kapnunk a súlyokat. Hogyan számítjuk ki a W-t?

Ha figyelembe vesszük az X-et és az Y-t, ez egyszerűnek tűnik. A csillaggal jelölt azonban egy nagyon összetett nemlineáris művelet, amelynek sajnos nincs inverze. Még az egyenlet 2 adott összetevőjével is nagyon nehéz kiszámítani. Ezért fokozatosan, próbálgatással, a W súly kiválasztásával ügyelnünk kell arra, hogy a hiba a lehető legnagyobb mértékben csökkenjen, kívánatos, hogy egyenlő legyen nullával.

Ez a folyamat iteratívan megy végbe, folyamatosan csökkentjük, amíg meg nem találjuk a W súly értékét, amely eléggé kielégít bennünket.

Egyébként egyetlen neurális hálózat sem ért el nullával egyenlő hibát, amivel dolgoztam, de egész jól működött.

Íme az első hálózat, amely 2012-ben megnyerte az ImageNet nemzetközi versenyt. Ez az úgynevezett AlexNet. Ez az a hálózat, amely először hirdette meg magát, hogy léteznek konvolúciós neurális hálózatok, és azóta minden nemzetközi versenyen a konvolúciós neurális hálók soha nem veszítették el pozíciójukat.

Annak ellenére, hogy ez a hálózat meglehetősen kicsi (csak 7 rejtett rétegből áll), 650 000 neuront tartalmaz 60 millió paraméterrel. Ahhoz, hogy iteratív módon megtanuljuk megtalálni a megfelelő súlyokat, sok példára van szükségünk.

A neurális hálózat egy kép és egy címke példájából tanul. Ahogy gyerekkorunkban azt tanítják, hogy „ez egy macska, ez meg egy kutya”, a neurális hálózatokat is képezik nagy számban képeket. De tény, hogy 2010 előtt nem volt elég nagy adathalmaz, amely ennyi paramétert megtanított volna a képek felismerésére.

Az addig létező legnagyobb adatbázisok a PASCAL VOC voltak, amelyek mindössze 20 objektumkategóriát tartalmaztak, és a Caltech 101, amelyet a California Institute of Technology-ban fejlesztettek ki. Az utolsóban 101 kategória volt, és ez sok volt. Azoknak, akik egyik adatbázisban sem találták meg tárgyaikat, meg kellett fizetniük az adatbázisaikat, ami, mondom, borzasztóan fájdalmas.

2010-ben azonban megjelent az ImageNet adatbázis, amelyben 15 millió kép volt, 22 000 kategóriába sorolva. Ez megoldotta a neurális hálózatok képzési problémáját. Mostantól mindenki, akinek bármilyen tudományos címe van, könnyen felkeresheti a bázis helyét, hozzáférést kérhet, és megszerezheti ezt a bázist a neurális hálózatok képzéséhez. Elég gyorsan reagálnak, véleményem szerint másnap.

A korábbi adatkészletekhez képest ez egy nagyon nagy adatbázis.

A példa megmutatja, milyen jelentéktelen volt minden, ami előtte volt. Az ImageNet bázissal egyidőben megjelent az ImageNet verseny, egy nemzetközi kihívás, amelyben minden versenyezni vágyó csapat részt vehet.

Idén a Kínában létrehozott hálózat nyert, 269 rétegből állt. Nem tudom hány paraméter, gyanítom, túl sok.

Mély neurális hálózati architektúra

Hagyományosan 2 részre osztható: azokra, amelyek tanulnak, és azokra, amelyek nem tanulnak.

A fekete azokat a részeket jelöli, amelyek nem tanulnak, az összes többi réteg képes tanulni. Számos definíció létezik arra vonatkozóan, hogy mi van az egyes konvolúciós rétegekben. Az egyik elfogadott elnevezés az, hogy egy három komponensből álló réteg konvolúciós, detektoros és pooling szakaszra oszlik.

Nem megyek bele a részletekbe, lesz még sok jelentés, ami részletezi ennek működését. Elmondom egy példával.

Mivel a szervezők azt kérték, hogy sok tápszert ne említsek, teljesen kidobtam őket.

Tehát a bemeneti kép rétegek hálózatába esik, amelyeket különböző méretű és az általuk felismert elemek különböző összetettségű szűrőinek nevezhetünk. Ezek a szűrők saját indexet vagy jellemzőkészletet alkotnak, amely aztán bekerül az osztályozóba. Általában ez SVM vagy MLP - egy többrétegű perceptron, amely bárki számára kényelmes.

A képen és a biológiai neurális hálózattal való hasonlatban különböző bonyolultságú objektumokat ismerünk fel. A rétegek számának növekedésével mindez elvesztette a kapcsolatot a kéreggel, mivel a neurális hálózatban korlátozott számú zóna van. 269 ​​vagy sok-sok absztrakciós zóna, így csak a bonyolultság, az elemek számának és a befogadó mezőknek a növekedése mentődik el.

Ha az arcfelismerés példáját nézzük, akkor az első réteg befogadómezője kicsi lesz, majd még egy kicsit, több, és így tovább, amíg végre fel nem ismerjük az egész arcot.

Ami a szűrőket illeti, először ferde pálcikák lesznek, plusz némi szín, majd az arcok egyes részei, majd az egész arcot felismeri a réteg minden egyes cellája.

Vannak, akik azt állítják, hogy az ember mindig jobban ismer, mint egy hálózat. így van?

2014-ben a tudósok úgy döntöttek, hogy megvizsgálják, milyen jól ismerjük fel a neurális hálózatokat. Elvették a 2 legjobbat Ebben a pillanatban hálózatok AlexNet, valamint Matthew Ziller és Fergus hálózata, és összehasonlítjuk a válaszokkal különböző zónák makákóagy, amelyet bizonyos tárgyak felismerésére is megtanítottak. A tárgyak az állatvilágból származtak, hogy a majom ne keveredjen össze, és kísérleteket végeztek, hogy ki ismeri fel jobban.

Mivel egyértelműen lehetetlen választ kapni egy majomtól, elektródákat ültettek bele, és minden neuron válaszát közvetlenül megmértük.

Kiderült, hogy ben normál körülmények között az agysejtek ugyanolyan jól reagáltak, mint az akkori legkorszerűbb modell, vagyis Matthew Ziller hálózata.

A tárgyak megjelenítési sebességének növekedésével, a képen lévő zajok és tárgyak számának növekedésével azonban a felismerési sebesség és annak minősége agyunkban és a főemlősök agyában meredeken csökken. Még a legegyszerűbb konvolúciós neurális hálózat is jobban felismeri az objektumokat. Vagyis hivatalosan a neurális hálózatok jobban működnek, mint az agyunk.

A konvolúciós neurális hálózatok klasszikus problémái

Valójában nincs belőlük olyan sok, három osztályba tartoznak. Ezek közé tartoznak olyan feladatok, mint a tárgyazonosítás, a szemantikai szegmentálás, az arcfelismerés, az emberi testrészek felismerése, a szemantikai határfelismerés, a figyelem tárgyainak kiválasztása a képen és a felszínre kerülő normálok kiválasztása. Feltételesen 3 szintre oszthatók: a legalacsonyabb szintű feladatoktól a legmagasabb szintű feladatokig.

Ezt a képet példaként használva nézzük meg, mit csinálnak az egyes feladatok.

• A határok meghatározása- ez a legalacsonyabb szintű feladat, amelyre már klasszikusan alkalmazzák a konvolúciós neurális hálózatokat.
• Egy vektor definíciója a normálhoz lehetővé teszi, hogy 3D-s képet 2D-ből rekonstruáljunk.
• Feltűnőség, a figyelem tárgyainak meghatározása- erre figyelne az ember, ha ezt a képet mérlegeli.
• Szemantikai szegmentáció lehetővé teszi, hogy az objektumokat struktúrájuk szerint osztályokba ossza, anélkül, hogy bármit is tudna ezekről az objektumokról, vagyis még a felismerésük előtt.
• Szemantikai határkiemelés- ez a határok kiválasztása, osztályokra bontva.
• Az emberi test részeinek izolálása.
• És a legmagasabb szintű feladat - maguknak a tárgyaknak a felismerése, amelyet most az arcfelismerés példájával fogunk megfontolni.

Arcfelismerés

Az első dolgunk az, hogy az arcdetektort a képen futtatjuk, hogy megtaláljuk az arcot. Ezután normalizáljuk, központosítjuk az arcot, és futtatjuk a neurális hálózatba történő feldolgozáshoz. Ezt követően kapunk egy halmazt vagy vektort olyan jellemzőkből, amelyek egyedien írja le ennek az arcnak a vonásait.

Ezután összehasonlíthatjuk ezt a jellemzővektort az adatbázisunkban tárolt összes jellemzővektorral, és hivatkozást kapunk egy adott személyre, a nevére, a profiljára - mindenre, amit az adatbázisban tárolhatunk.

Így működik a FindFace termékünk - ez egy ingyenes szolgáltatás, amely segít a VKontakte adatbázisban az emberek profiljainak keresésében.

Ezen kívül van egy API-nk azoknak a cégeknek, amelyek ki akarják próbálni termékeinket. Arcfelismerési, hitelesítési és felhasználóazonosítási szolgáltatásokat nyújtunk.

Most 2 forgatókönyvet dolgoztunk ki. Az első az azonosítás, egy személy keresése egy adatbázisban. A második az ellenőrzés, ez két kép összehasonlítása bizonyos valószínűséggel, hogy ugyanarról a személyről van szó. Ezen kívül jelenleg fejlesztjük az érzelemfelismerést, a videoképfelismerést és az élénkségérzékelést – ez annak megértése, hogy egy személy él-e a kamera vagy egy fénykép előtt.

Néhány statisztika. Az azonosításnál, 10 ezer fotó keresésekor az adatbázis minőségétől függően kb 95%-os pontossággal, 99%-os ellenőrzési pontossággal rendelkezünk. Ráadásul ez az algoritmus nagyon ellenáll a változásoknak – nem kell a kamerába nézni, előfordulhat, hogy blokkoló tárgyaink vannak: szemüveg, napszemüveg, szakáll, orvosi maszk. Egyes esetekben a számítógépes látás olyan hihetetlen nehézségeit is leküzdhetjük, mint a szemüveg és a maszk.

Nagyon gyors keresés, 1 milliárd fénykép feldolgozása 0,5 másodpercet vesz igénybe. Egyedülálló gyorskereső indexet fejlesztettünk ki. CCTV kamerákból származó gyenge minőségű képekkel is dolgozhatunk. Mindezt valós időben tudjuk feldolgozni. Feltölthet fényképeket a webes felületen, Androidon, iOS-en keresztül, és kereshet 100 millió felhasználó és 250 millió fénykép között.

Mint mondtam, első helyezést értünk el a MegaFace versenyen – az ImageNet analógja, de az arcfelismerés terén. Több éve fut, tavaly a világ minden tájáról érkezett 100 csapat közül mi voltunk a legjobbak, köztük a Google is.

Ismétlődő neurális hálózatok

Ismétlődő neurális hálózatokat használunk, ha nem elég csak a képet felismernünk. Azokban az esetekben, amikor fontos számunkra a sorrend követése, szükségünk van a velünk történõ események sorrendjére, hétköznapi visszatérõ neurális hálózatokat használunk.

Alkalmazzák természetes nyelvfelismerésre, videófeldolgozásra, sőt képfelismerésre is.

A természetes nyelvfelismerésről nem beszélek – a beszámolóm után lesz még kettő, ami a természetes nyelv felismerését célozza majd. Ezért a visszatérő hálózatok munkájáról fogok beszélni az érzelemfelismerés példáján keresztül.

Mik azok az ismétlődő neurális hálózatok? Ez nagyjából ugyanaz, mint a normál neurális hálózatok esetében, de visszacsatolással. Visszacsatolásra van szükségünk ahhoz, hogy a rendszer korábbi állapotát a neurális hálózat bemenetére vagy annak valamelyik rétegére továbbítsuk.

Tegyük fel, hogy érzelmeket dolgozunk fel. Még egy mosolyban is – az egyik legegyszerűbb érzelemben – számos pillanat van, a semleges arckifejezéstől egészen a teljes mosolygáshoz. Sorban követik egymást. Ahhoz, hogy ezt jól megértsük, meg kell tudnunk figyelni, hogyan történik ez, át kell vinnünk az előző képkockán lévőt a rendszer következő lépésébe.

2005-ben, az Emotion Recognition in the Wild versenyen, amely kifejezetten az érzelemfelismerést szolgálta, egy montreali csapat egy ismétlődő rendszert mutatott be, amely nagyon egyszerűnek tűnt. Csak néhány konvolúciós rétege volt, és kizárólag videóval dolgozott. Ebben az évben hangfelismerést és aggregált képkockánkénti adatokat is hozzáadtak, amelyeket konvolúciós neurális hálózatokból nyernek, valamint ismétlődő neurális hálózati működéssel (állapotot adó) hangjeladatokat, és elnyerték a verseny első helyét.

Megerősítő tanulás

A neurális hálózatok következő típusa, amelyet mostanában nagyon gyakran használnak, de nem kapott olyan széles körű nyilvánosságot, mint az előző 2 típus, a mély tanulás, megerősítés tanulás.

A helyzet az, hogy az előző két esetben adatbázisokat használunk. Adataink vannak az arcokról, vagy a képekből, vagy az érzelmekkel kapcsolatos adatok a videókból. Ha nincs meg, ha nem tudjuk filmezni, hogyan taníthatnánk meg a robotot tárgyak felvételére? Ezt automatikusan tesszük – nem tudjuk, hogyan működik. Egy másik példa: számítógépes játékokban nagy adatbázisokat összeállítani nehéz, és nem is szükséges, sokkal könnyebben meg lehet csinálni.

Valószínűleg mindenki hallott már az Atari és a Go mélyerősítő tanulásának sikeréről.

Ki hallott az Atariról? Nos, valaki hallotta, oké. Azt hiszem, mindenki hallott már az AlphaGo-ról, ezért nem is mondom el, hogy pontosan mi történik ott.

Mi történik az Atariban? Ennek a neurális hálózatnak az architektúrája a bal oldalon látható. Önmagával játszva tanul, hogy maximális jutalmat kapjon. A maximális jutalom a játék leggyorsabb kimenetele a lehető legmagasabb pontszámmal.

Jobb felső sarokban - a neurális hálózat utolsó rétege, amely a rendszer összes állapotát ábrázolja, amely mindössze két órán keresztül játszott önmagával. A piros a játék kívánt kimenetelét mutatja a maximális jutalommal, a kék pedig nem kívánatos. A hálózat felépít egy bizonyos területet, és a betanított rétegein keresztül eljut az elérni kívánt állapotig.

A robotikában kicsit más a helyzet. Miért? Itt több bonyodalmunk van. Először is, nincs sok adatbázisunk. Másodszor, három rendszert kell egyszerre koordinálnunk: a robot érzékelését, a manipulátorok segítségével végzett cselekvéseit és a memóriáját - mit és hogyan csináltunk az előző lépésben. Általában véve ez az egész nagyon nehéz.

A helyzet az, hogy jelenleg egyetlen neurális hálózat, még a mély tanulás sem képes elég hatékonyan megbirkózni ezzel a feladattal, így a mélytanulás csak egy darabja annak, amit a robotoknak meg kell tenniük. Például Sergey Levin nemrégiben olyan rendszert adott, amely megtanítja a robotot tárgyak megragadására.

Itt vannak azok a kísérletek, amelyeket 14 robotkarján végzett.

Mi történik itt? Ezekben a medencékben, amelyeket maga előtt látunk, különféle tárgyak vannak: tollak, radírok, kisebb-nagyobb bögrék, rongyok, különböző textúrák, különböző keménységűek. Nem világos, hogyan kell megtanítani a robotot, hogy elfogja őket. Sok órán keresztül, sőt, hetekig edzettek a robotok arra, hogy képesek legyenek rögzíteni ezeket az objektumokat, ebből az alkalomból adatbázisokat állítottak össze.

Az adatbázisok egyfajta környezeti válasz, amelyet fel kell gyűjtenünk ahhoz, hogy meg tudjuk tanítani a robotot valamire a jövőben. A jövőben a robotokat erre a rendszerállapot-készletre képezik ki.

Neurális hálózatok nem szabványos alkalmazásai

Sajnos itt a vége, nincs sok időm. Azokról a nem szabványos megoldásokról fogok beszélni, amelyek jelenleg léteznek, és amelyeknek sok előrejelzés szerint a jövőben lesz valamilyen alkalmazása.

Így a stanfordi tudósok a közelmúltban előálltak a CNN neurális hálózatának egy nagyon szokatlan alkalmazásával a szegénység előrejelzésére. Mit csináltak?

Valójában a koncepció nagyon egyszerű. A helyzet az, hogy Afrikában a szegénység mértéke minden elképzelhető és elképzelhetetlen határt meghalad. Még arra sincs lehetőségük, hogy társadalmi demográfiai adatokat gyűjtsenek. Ezért 2005 óta egyáltalán nincs adatunk arról, hogy mi történik ott.

A tudósok nappali és éjszakai térképeket gyűjtöttek a műholdakról, és idővel betáplálták a neurális hálózatba.

A neurális hálózatot az ImageNeten előre konfigurálták "azaz a szűrők első rétegeit úgy konfigurálták, hogy felismerjen néhány nagyon egyszerű dolgot, például házak tetejét, hogy települést keressen a nappali térképeken. Ezután a nappali térképeket az éjszakai térképekkel összehasonlítva. a felszín azonos területének megvilágítása, hogy megmondjuk, mennyi pénze van a lakosságnak arra, hogy legalább éjszaka kivilágítsa otthonát.

Itt láthatja a neurális hálózat által felépített előrejelzés eredményeit. Az előrejelzés különböző felbontásokkal készült. És látod – a legutolsó képkocka – az ugandai kormány által 2005-ben gyűjtött valós adatokat.

Látható, hogy a neurális hálózat meglehetősen pontos előrejelzést adott, még 2005 óta enyhe elmozdulással is.

Voltak persze, mellékhatások. A mély tanulással foglalkozó tudósok mindig meglepődnek, amikor különböző mellékhatásokat tapasztalnak. Például, mint amilyeneket a hálózat megtanult felismerni a vizet, erdőket, nagy építkezéseket, utakat – mindezt tanárok, előre elkészített adatbázisok nélkül. Általában teljesen független. Voltak olyan rétegek, amelyek reagáltak például az utakra.

És utolsó alkalmazás amiről szeretnék beszélni, az a 3D képek szemantikai szegmentálása az orvostudományban. Általában az orvosi képalkotás összetett terület, amellyel nagyon nehéz dolgozni.

Ennek több oka is van.

• Nagyon kevés adatbázisunk van. Nem olyan egyszerű képet találni az agyról, azon kívül, hogy sérült, és nem is lehet sehonnan elkészíteni.
• Még ha van is ilyen képünk, orvost kell venni, és rá kell kényszeríteni, hogy manuálisan helyezze el az összes többrétegű képet, ami nagyon időigényes és rendkívül nem hatékony. Nem minden orvosnak van forrása ehhez.
• Nagyon nagy pontosság szükséges. Az orvosi rendszer nem tévedhet. Amikor felismerték például a fókákat, nem ismerték fel – ez rendben van. És ha nem ismerjük fel a daganatot, akkor ez nem túl jó. A rendszer megbízhatóságára különösen szigorú követelmények vonatkoznak.
• A képek háromdimenziós elemekben - voxelekben, nem pixelekben, ami további bonyolultságot hoz a rendszertervezők számára.

De hogyan kerülte meg ezt a problémát ebben az esetben? A CNN kétfolyamos volt. Az egyik rész normálisabb, a másik valamivel rosszabb felbontást dolgozott fel, hogy csökkentsük a betanítandó rétegek számát. Emiatt némileg lecsökkent a hálózati tréning ideje.

Hol használják: ütés utáni károsodás megállapítására, agydaganat keresésére, kardiológián a szív működésének meghatározására.

Íme egy példa a placenta térfogatának meghatározására.

Automatikusan jól működik, de nem elég ahhoz, hogy gyártásba kerüljön, így még csak most kezdődik. Számos startup létezik ilyen rendszerek létrehozására orvosi látás. Általánosságban elmondható, hogy a közeljövőben sok startup foglalkozik mély tanulással. Azt mondják, hogy a kockázati tőkések az elmúlt hat hónapban több költségvetést különítettek el a mély tanulással foglalkozó startupok számára, mint az elmúlt 5 évben.

Ez a terület aktívan fejlődik, sok érdekes irány van. Érdekes időket élünk. Ha mély tanulással foglalkozik, akkor valószínűleg itt az ideje, hogy megnyissa saját startupját.

Nos, valószínűleg ezzel végzek. Nagyon szépen köszönjük.

17.04.1997 Alekszandr Jezsov, Vlagyimir Csecsetkin

Éles fájdalom a mellkasban. Mentőautó beszállítja a beteget az ügyeletre, ahol az ügyeletes orvosnak fel kell állítania a diagnózist és meg kell állapítania, hogy valóban szívinfarktusról van-e szó. A tapasztalatok azt mutatják, hogy a hasonló tünetekkel felvett betegek között kicsi a szívinfarktuson átesett betegek aránya. pontos módszerek a diagnózis azonban még mindig hiányzik. Az elektrokardiogram néha nem tartalmazza a betegség nyilvánvaló jeleit. És a beteg állapotának hány paramétere segíthet ilyen vagy olyan módon a helyes diagnózis felállításában ebben az esetben? Negyven felett. Lehet egy orvos Sürgősségi gyorsan elemezni ezeket a mutatókat a kapcsolatokkal együtt annak érdekében, hogy döntést hozzunk a beteg kardiológiai osztályra való irányáról? A neurális hálózati technológiák bizonyos mértékig segítenek megoldani ezt a problémát. Neurális hálózatok diagnosztikai feladatokhoz Konkrét rendszerek Neurális hálózatok alkalmazási lehetőségei A rák elleni küzdelem Idegrendszerek, genetika és molekulák Neurális hálózatok járják a bolygót Konklúzió helyett Akut mellkasi fájdalom. Mentő szállítja

Éles fájdalom a mellkasban. Mentő szállítja a beteget a sürgősségire, ahol az ügyeletes orvosnak kell diagnosztizálnia és megállapítania, hogy valóban szívinfarktusról van-e szó. A tapasztalatok azt mutatják, hogy a hasonló tünetekkel felvett betegek között kicsi a szívinfarktuson átesett betegek aránya. Ennek ellenére még mindig nincsenek pontos diagnosztikai módszerek. Az elektrokardiogram néha nem tartalmazza a betegség nyilvánvaló jeleit. És a beteg állapotának hány paramétere segíthet ilyen vagy olyan módon a helyes diagnózis felállításában ebben az esetben? Negyven felett. A sürgősségi osztályon dolgozó orvos gyorsan elemezheti ezeket a mutatókat, valamint azok kapcsolatait, hogy döntést hozzon a beteg kardiológiai osztályra utalásáról? A neurális hálózati technológiák bizonyos mértékig segítenek megoldani ezt a problémát. .

A statisztikák a következők: az orvos a betegek 88% -ában helyesen diagnosztizálja a szívinfarktust, és az esetek 29% -ában tévesen állapítja meg ezt a diagnózist. Túl sok a téves riasztás (túldiagnózis). Alkalmazástörténet különféle módszerek A diagnózis minőségét javító adatfeldolgozás évtizedekre nyúlik vissza, de ezek közül a legjobbak csak 3%-kal csökkentették a túldiagnózisos esetek számát.

1990-ben William Bakst, a San Diego-i Kaliforniai Egyetem munkatársa egy neurális hálózatot – egy többrétegű perceptront – használt a szívinfarktus felismerésére azoknál a betegeknél, akiket a sürgősségi osztályon vettek fel. akut fájdalom a mellkasban. Célja egy olyan eszköz létrehozása volt, amely a felvett beteg állapotát jellemző adatáramlással megbirkózni képtelen orvosok segítségére lehet. További cél lehet a diagnosztika javítása. A kutató megnehezítette a dolgát, mert csak azon betegek adatait elemezte, akik már korábban kardiológiai osztályra kerültek. Bakst mindössze 20 paramétert használt, amelyek között szerepelt az életkor, a nem, a fájdalom helye, a nitroglicerinre adott válasz, hányinger és hányás, izzadás, ájulás, légzésszám, pulzusszám, korábbi szívinfarktus, cukorbetegség, magas vérnyomás, nyaki vénák tágulása, számos EKG-jellemzők és jelentős ischaemiás változások jelenléte.

A hálózat 92%-os pontosságú volt a szívinfarktus kimutatásában, és csak 4%-ban produkált téves riasztást, tévesen igazolva az infarktus nélküli betegek kardiológiai osztályra utalását. Tehát a mesterséges neurális hálózatok sikeres alkalmazása a betegség diagnosztizálásában tény. Most el kell magyarázni, hogy általános esetben milyen paraméterek alapján értékelik a diagnózis minőségét. Tegyük fel, hogy tíz szívrohamon átesett ember közül nyolcnál a diagnosztikai módszer képes kimutatni a betegséget. Ekkor a módszer érzékenysége 80% lesz. Ha tíz olyan embert veszünk, aki nem kapott szívinfarktust, és a diagnosztikai módszer három embernél gyanítja, akkor az arány téves riasztások 30%, míg egy további jellemzője - a módszer sajátossága - 70% lesz.

Az ideális diagnosztikai módszernek száz százalékos érzékenységgel és specifitással kell rendelkeznie - egyrészt azért, hogy ne hagyjon ki egyetlen igazán beteg embert sem, másrészt ne riassza el az egészséges embereket. A biztosítás érdekében mindenekelőtt a módszer száz százalékos érzékenységének biztosítására lehet és kell is próbálkozni – a betegséget nem lehet kihagyni. Ez azonban általában a módszer alacsony specifitását eredményezi - sok emberben az orvosok olyan betegségekre gyanakszanak, amelyekben a betegek valójában nem szenvednek.

Neurális hálózatok diagnosztikai feladatokhoz

A neurális hálózatok nemlineáris rendszerek, amelyek az általánosan használtnál sokkal jobb adatosztályozást tesznek lehetővé lineáris módszerek. Az orvosi diagnosztikában alkalmazva lehetővé teszik a módszer specifitásának jelentős növelését anélkül, hogy csökkentenék annak érzékenységét.

Emlékezzünk vissza, hogy a szívrohamot diagnosztizáló neurális hálózat számos paraméterrel működött, amelyeknek a személy diagnózisára gyakorolt ​​​​hatását nem lehet felmérni. Ennek ellenére a neurális hálózatok képesek voltak döntéseket hozni a többdimenziós adatokban azonosított rejtett minták alapján. A neurális hálózatok sajátossága, hogy nincsenek programozva – nem használnak semmilyen következtetési szabályt a diagnózis felállításához, hanem példákon keresztül tanítják őket erre. Ebben az értelemben a neurális hálózatok egyáltalán nem olyanok, mint a szakértői rendszerek, amelyek fejlesztése a 70-es években a mesterséges intelligencia átmeneti „győzelme” után ment végbe a memóriamodellezés, mintafelismerés és általánosítás megközelítésével szemben, amely a tanulmány alapján. az agy neurális szerveződéséről.

A kifejlesztett szakértői rendszerek közül az egyik legismertebb, amelynek működtetése a szakértőktől kinyert ismereteken és a következtetési eljárások végrehajtásán alapult, a MYCIN rendszer volt. Ezt a rendszert a 70-es évek elején Stanfordban fejlesztették ki a diagnózis érdekében szeptikus sokk. A betegek fele egy napon belül belehalt, és az orvosok csak az esetek 50%-ában tudták kimutatni a szepszist. A MYCIN a szakértői rendszertechnológia igazi diadalának tűnt, mivel az esetek 100%-ában képes kimutatni a szepszist. Ennek a szakértői rendszernek a közelebbi megismerése után azonban az orvosok jelentősen javultak hagyományos módszerek diagnosztika, és a MYCIN értelmét vesztette, lett oktatási rendszer. A szakértői rendszerek csak a kardiológiában "mentek" - az elektrokardiogramok elemzéséhez. A klinikai EKG-elemzésről szóló könyvek fő tartalmát alkotó összetett szabályokat a megfelelő rendszerek felhasználták a diagnosztikai következtetések kiadására.

A diagnosztika az eseményosztályozás speciális esete, és a legértékesebb azoknak az eseményeknek az osztályozása, amelyek nem szerepelnek a neurális hálózati oktatókészletben. Itt megnyilvánul a neurális hálózati technológiák előnye - képesek egy ilyen osztályozást elvégezni, általánosítva a korábbi tapasztalatokat és új esetekben alkalmazni.

Konkrét rendszerek

Diagnosztikai programra példa a RES Informatica által a milánói Kardiológiai Kutatóközponttal közösen kifejlesztett kardiodiagnosztikai csomag. A program nem invazív kardiodiagnosztikát tesz lehetővé a tachogram spektrumainak felismerése alapján. A tachogram az egymást követő szívverések közötti intervallumok hisztogramja, és spektruma az emberi szimpatikus és paraszimpatikus idegrendszer aktivitásának egyensúlyát tükrözi, amely specifikusan változik különböző betegségekben.

Így vagy úgy, de már most kijelenthető, hogy a neurális hálózatok a kardiodiagnosztika eszközévé válnak - Angliában például négy kórházban használják a szívinfarktus megelőzésére.

Az orvostudományban a neurális hálózatok egy másik jellemzőjét is használják - az időbeli szekvenciák előrejelzésére való képességüket. Már említettük, hogy a szakértői rendszereknek sikerült az EKG-elemzés. A neurális hálózatok itt is hasznosak. Ki Zhenghu, Yu Henu és Willis Tompkins, a Wisconsini Egyetem munkatársa olyan neurális hálózati szűrőrendszert fejlesztett ki az elektrokardiogramhoz, amely a korábban használt módszereknél sokkal jobban képes elnyomni a nem lineáris és nem álló zajt. A helyzet az, hogy a neurális hálózat jól megjósolta a zajt a korábbi időpontok értékei alapján. És azt a tényt, hogy a neurális hálózatok nagyon hatékonyak az idősorok (például árfolyamok vagy tőzsdei árfolyamok) előrejelzésére, meggyőzően bizonyították a Santa Fe Egyetem prediktív programok versenyének eredményei - a neurális hálózatok az első helyet szerezték meg és dominálták a legjobb módszereket.

Neurális hálózatok használatának lehetőségei

Az EKG privát, bár rendkívül fontos alkalmazás. Manapság azonban számos más példa is létezik a neurális hálózatok orvosi előrejelzésekhez való felhasználására. Ismeretes, hogy a szívsebészeti osztályokon a hosszú sorban állást (hetektől hónapokig) az intenzív osztályok hiánya okozza. Számukat nem lehet növelni az újraélesztés magas költségei miatt (az amerikaiak életük utolsó 2 hetében a pénzeszközök 70%-át ezen az osztályon költik).

Az egyetlen kiút a rendelkezésre álló források hatékonyabb felhasználása. Tegyük fel, hogy az egy napon operált betegek állapota olyan súlyos, hogy hosszú (két napnál tovább) intenzív osztályon kell tartózkodniuk. A sebészek egész idő alatt tétlenkednek, mert nincs hova elhelyezni a frissen műtött betegeket. Súlyos betegeket okosabb a hétvégék vagy ünnepnapok előtt megoperálni - a műtők ezekben a napokban is zárva tartanak, a sebészek pihennek, a betegek az intenzíven gyógyulnak. De a munkahét elején jobb megoperálni azokat a betegeket, akiknek csak egy-két napig kell az intenzív osztályon lenniük. Ezután az intenzív osztályon gyorsabban felszabadulnak az ágyak, és kedden és szerdán műtött új betegeket fogadnak.

A kérdés az, hogyan lehet kitalálni, hogy a műtét után kinek kell még sokáig az intenzív osztályon maradnia, és kinek nem. Jack Too és Michael Guerier, a Torontói Egyetem St. Michael's Hospital munkatársa neurális hálózatokat használt az előrejelzéshez. Kiindulási adatként csak azokat az információkat vették fel a páciensről, amelyek a műtét előtti időszakban ismertek. Vegye figyelembe, hogy a korábbi munkákban, amelyek nem használnak neurális hálózatokat, mint tényezőket megnövekedett kockázat intenzív osztályon való tartózkodás, fontos posztoperatív információk is felhasználásra kerültek - különféle szövődmények, amelyek a műtéti beavatkozás során jelentkeztek.

Tu és Guerir egy kétrétegű perceptront képeztek ki, hogy a betegeket három kockázati csoportba sorolják, koruk, nemük, funkcionális állapot bal kamra, a közelgő műtét összetettségének mértéke és jelenléte kísérő betegségek. Azoknak a betegeknek, akiknek a hálózat szerint alacsony az intenzív ellátás késésének kockázata, mindössze 16,3%-a töltött ténylegesen két napnál többet intenzív osztályon. Ugyanakkor a hálózat által magas kockázatúként azonosítottak több mint 60%-a beváltotta a kedvezőtlen prognózist.

Harc a rák ellen

Fizettünk Speciális figyelem szív-és érrendszeri betegségek, hiszen ők tartják a szomorú vezető szerepet a halálokok listáján. A második helyen az onkológiai betegségek állnak. Az egyik fő terület, ahol jelenleg folyik a munka a neurális hálózatok használatával kapcsolatban, az emlőrák diagnózisa. Ez a betegség minden kilencedik nő halálának oka.

A daganat kimutatását az emlő kezdeti röntgenvizsgálata (mammográfia) és a tumorszövet egy darabjának ezt követő elemzése (biopszia) során végzik. Annak ellenére, hogy léteznek általános szabályok a jóindulatú és rosszindulatú daganatok megkülönböztetésére, a mammográfia szerint a későbbi sebészeti biopszia eredményeinek csak 10-20%-a igazolja valóban az emlőrák jelenlétét. Ismét egy rendkívül alacsony módszerspecifikus esettel van dolgunk.

A Duke Egyetem kutatói egy neurális hálózatot képeztek ki a mammográfiák felismerésére rosszindulatú szövet nyolc olyan jellemző alapján, amelyekkel a radiológusok általában foglalkoznak. Kiderült, hogy a hálózat körülbelül 100%-os érzékenységgel és 59%-os specificitással képes megoldani a problémát (hasonlítsa össze a radiológusok 10-20%-ával). Hány nő a jóindulatú daganatok Elkerülheti a biopsziával járó stresszt, ha ezt a neurális hálózatot használja! A Mayo Clinic-en (Minnesota) a neurális hálózat az emlő ultrahang eredményeit elemezve 40%-os specificitást adott, míg ugyanezen nők esetében a radiológusok következtetésének specificitása nullának bizonyult. Nem igaz, hogy a neurális hálózati technológiák használatának sikere egyáltalán nem tűnik véletlennek?

Az emlőrák kezelését követően a daganat kiújulása lehetséges. A neurális hálózatok már segítenek ezek hatékony előrejelzésében. Hasonló kutatásokat végeznek a Texasi Egyetem Orvostudományi Karán is. A képzett hálózatok megmutatták, hogy képesek azonosítani és figyelembe venni a prediktív változók nagyon összetett kapcsolatait, különösen azok hármas kapcsolatait, hogy javítsák az előrejelzési képességet.

A neurális hálózatok orvosi felhasználási lehetőségei sokrétűek, felépítésük sokrétű. A betegség egyik vagy másik módszerrel történő kezelésének hosszú távú eredményeinek előrejelzése alapján az egyik előnyben részesíthető. A petefészekrák (minden hetvenedik nő betegsége) kezelésének prognózisában jelentős eredményt ért el a híres holland szakember, Herbert Kappen, a Nimegeni Egyetemről (munkájában nem többrétegű perceptronokat, hanem az ún. Gépek – neurális hálózatok a valószínűségek felmérésére).

Íme egy példa a rák egy másik típusára. Kutatók a orvosi iskola Kagawában (Japán) egy neurális hálózatot képeztek ki, amely a műtét előtti adatok alapján szinte pontosan megjósolta a májreszekció eredményeit hepatocellularis karcinómában szenvedő betegeknél.

A Troitsk Innovációs és Fúziós Kutatóintézetben (TRINITI) a Tudományos Minisztérium által megvalósított neurális hálózati tanácsadó rendszerek létrehozására irányuló projekt részeként olyan neurális hálózati programot dolgoztak ki, amely a bazálissejtes bőrrák (basalioma) kezelési módszerét választja ki. ) a kiújulás hosszú távú prognózisa alapján. A basalioma - a vékony bőrű, fehér bőrű emberek onkológiai betegsége - megbetegedések száma az összes onkológiai megbetegedés egyharmada.

A melanoma egyik formájának - a bazalioma pigmentált formájától néha nehezen megkülönböztethető daganat - diagnózisát a krasznojarszki SOAN számítástechnikai központjában A. N. Gorban irányítása alatt kifejlesztett Multineuron neurális hálózati szimulátor segítségével hajtották végre.

A neurális hálózatok segítségével megjósolható a különböző fejlesztés alatt álló kezelések hatása is. A kémiában már sikeresen alkalmazták a vegyületek tulajdonságainak előrejelzésére molekulaszerkezetük alapján. Az amerikai National Cancer Institute kutatói neurális hálózatok segítségével előre jelezték a rák kemoterápiájában használt gyógyszerek hatásmechanizmusát. Ne feledje, hogy több millió különböző molekulát kell megvizsgálni rákellenes hatásuk szempontjából. A Rákkutató Intézet szakemberei az ismert onkológiai gyógyszereket hat csoportba sorolták hatásmechanizmusuk szerint rákos sejtek valamint képzett többrétegű hálózatok az új anyagok osztályozására és hatásuk felismerésére. Kiindulási adatokként a különböző daganatokból származó sejtnövekedés visszaszorítására vonatkozó kísérletek eredményeit használtuk fel. A neurális hálózatok osztályozása lehetővé teszi annak meghatározását, hogy a naponta tesztelt több száz molekula közül melyiket érdemes tovább tanulmányozni igen költséges in vitro és in vivo kísérletekben. Hasonló probléma megoldására Kohonen hálózatokat is alkalmaztak. Ezek a nem felügyelt, önszerveződő neurális hálózatok ismeretlen számú klaszterbe bontották az anyagokat, és így lehetővé tették a kutatók számára, hogy új citotoxikus hatásmechanizmussal rendelkező anyagokat azonosítsanak.

Idegrendszerek, genetika és molekulák

Az onkológiai betegségek diagnosztikája és kezelése, valamint új gyógyszerek fejlesztése kétségtelenül a neurális hálózati technológiák legfontosabb alkalmazási területe. Az utóbbi időben azonban a kutatók és az orvosok körében egyre inkább tudatosult, hogy a jövőbeni előrelépéseknek szorosan össze kell kapcsolódniuk a betegségek molekuláris és genetikai okainak vizsgálatával.

Nem véletlen, hogy 1997 áprilisában a National Institutes of Health (USA) szakértői ajánlásokat fogalmaztak meg a betegség okainak feltárásával kapcsolatos kutatások megerősítésére. rákot okozó, illetve a betegségek megelőzését célzó fejlesztések. A neurális hálózatokat hosszú ideje aktívan használták a genomiális DNS-szekvenciák elemzésére, különösen a promóterek felismerésére - azok a régiók, amelyek megelőzik a géneket és kötődnek az RNS-polimeráz fehérjéhez, amely elindítja a transzkripciót. A DNS kódoló és nem kódoló régióinak (exonok és intronok) megkülönböztetésére, valamint a fehérjék szerkezetének előrejelzésére használják.

1996-ban egy szenzációs felfedezés született, amely összekapcsolta a molekuláris genetikai alapkutatásokat a leggyakoribb onkológiai betegség - a bazálissejtes bőrrák - patogenezisének és kezelésének problémájával. A kutatók egy gént (PTC) fedeztek fel a kilencedik emberi kromoszómában, amely mutációk a p53 géntől eltérően ultraibolya sugárzás hatására alakulnak ki, és a daganatok kialakulásának okai. A felfedezés kulcsa az úgynevezett patch gén tanulmányozása volt, melynek változásai a gyümölcslégy fejlődési rendellenességeit serkentik, valamint az a tény, hogy olyan gyermekeknél, akik szintén fejlődési rendellenességben szenvednek. csontszövet(bazális nevus szindróma), gyakran több bazalioma is előfordul.

A genetikusok és az orvosok most tele vannak reményekkel, hogy megtalálják a bazalioma gyógyszeres kezelését, vagy génsebészeti módszereket alkalmazzanak, és olyan kíméletlen kezelési módszereket helyettesítsenek velük, mint a hagyományos lézer, röntgen és kriosebészet. A neurális hálózatok hasznosak lehetnek ezekhez a vizsgálatokhoz? Konkrétan, felhasználhatók-e egy adott mutáció lehetséges hatásának értékelésére a megfelelő fehérjék tulajdonságainak változására, vagy annak prognosztikai értékére, mondjuk az emlőrák kiújulásának kialakulására?

Ha ezt meg lehetne tenni, akkor a neurális hálózatok jelentősen csökkentenék a molekuláris biológusok keresési területét, akik gyakran nagyon költséges kísérleteket végeznek a DNS-molekulák mutációinak szerepének felmérésére. Emlékezzünk vissza, hogy az ellenőrizetlen sejtnövekedés és -osztódás rosszindulatú daganatok kialakulásához vezet. Az emberi genom, amely a szervezetben termelődő összes fehérjéről tartalmaz információt, körülbelül hárommilliárd nukleotidot tartalmaz. De valójában csak 2-3%-uk kódol fehérjéket – a többire magának a DNS-nek van szüksége a megfelelő szerkezet, replikáció és egyéb dolgok fenntartásához.

A genomiális DNS-szekvenciákban nagyjából három komponens különböztethető meg: az első azonos fragmensek (műhold DNS) számos másolatát tartalmazza; a második mérsékelten ismétlődő szekvenciákat tartalmaz szétszórva a genomban; a harmadikban pedig _egyedi DNS. A műholdas DNS-ben a különböző másolatok egyenlőtlenül jelennek meg - számuk száztól millióig terjed. Ezért általában tovább osztják mini- és mikroműholdakra.

Figyelemre méltó, hogy a mikroműholdak eloszlása ​​a genomban annyira specifikus, hogy az emberi ujjlenyomatok analógjaként használható. Úgy gondolják, hogy ez az eloszlás különféle betegségek diagnosztizálására is használható.

Rejtett formában a nukleotidszekvenciák ismétlődései fontos szerepet játszanak az egyedi DNS-szekvenciákban. Francis Crick hipotézise szerint a DNS evolúciója kvázi periodikus struktúrákból indul ki, és ha sikerül rejtett ismétlődéseket találni, akkor megtudjuk, hol történtek az evolúciót meghatározó mutációk, ami azt jelenti, hogy megtaláljuk a legrégebbi és a legfontosabb lelőhelyeket is. mely mutációk a legveszélyesebbek. A rejtett ismétlődések eloszlása ​​szintén szorosan összefügg a megfelelő szekvencia által kódolt fehérjék szerkezetével és működésével.

A TRINITY kifejlesztett egy rendszert, amelyben a Hopfield neurális hálózat módosításait használják rejtett ismétlődések keresésére és a mutációk szerepének értékelésére a DNS-szekvenciákban. Remélhetőleg ez a megközelítés általánosításra is használható spektrális elemzés adatszekvenciák nagyon Általános nézet például az elektrokardiogramok elemzéséhez.

Neurális hálózatok járják a bolygót

Az orvosi alkalmazások fejlesztésére neurális hálózatokat használó kutatócsoportok földrajzi területe igen széles. Az USA-ról nincs mit mondani - minden állam egyetemén folynak hasonló vizsgálatok, és fő irányuk a mellrák. Miért vannak egyetemek – a katonai akadémiák is ezt teszik. Jiří Shima Csehországban kidolgozta az úgynevezett intervallumadatokkal hatékonyan működő neurális hálózatok képzésének elméletét (amikor nem a paraméterértékek ismertek, hanem a változás intervalluma), és felhasználja azokat különböző orvosi gyakorlatokban. alkalmazások. Kínában az Atomenergia Intézet kutatói neurális hálózatot képeztek ki, hogy a körmök elemanalízise alapján különbséget tegyenek a nyelőcsőhám enyhe és súlyos betegségeiben szenvedő betegek és a nyelőcsőrákos betegek között.

Oroszországban a SINP MSU neurális hálózatokat használ a hallószervek betegségeinek elemzésére.

Végül Ausztráliában George Christ a neurális hálózatok elméletét használta az okokra vonatkozó első hipotézis felállításához titokzatos szindróma hirtelen halálújszülöttek.

***

Természetesen a cikk korántsem teljes példákat ad a mesterséges neurális hálózati technológiák orvosi felhasználására. A pszichiátria, a traumatológia és egyéb szekciók mellőzve maradtak, ahol a neurális hálózatokat próbálják ki a diagnosztikus asszisztens és klinikus szerepére. Természetesen nem minden tűnik rózsásnak az új számítástechnika és az egészségügy szövetségében. A neurális hálózati programok néha rendkívül drágák a klinikán való széleskörű bevezetéshez (több ezertől több tízezer dollárig), és az orvosok meglehetősen szkeptikusak minden számítógépes újítással kapcsolatban. A neurális hálózat által kiadott következtetéshez elfogadható magyarázatokat vagy megjegyzéseket kell csatolni.

De még mindig van ok az optimizmusra. A neurális hálózati technológiák elsajátítása és alkalmazása sokkal könnyebb, mint a tanulás matematikai statisztika vagy fuzzy logika. Neurális hálózat létrehozásához orvosi rendszer Hónapokig tart, nem évekig. Igen, és a paraméterek nagyon biztatóak - emlékezzünk még egyszer a diagnosztika magas specifikusságára.

Az együttműködés másik reménye pedig maga a „neuron” szó. Mégis olyan jól ismerik az orvosok...

Alekszandr Jezsov, Vlagyimir Csecsetkin - Innovációs és Fúziós Kutatási Intézet (Troitsk).

A neurotechnológia orvosi alkalmazásáról szóló publikációk számát nehéz pontosan megbecsülni. Ha azonban 1988-89-ben még csak néhányan voltak, 1995 óta évente több százan jelentek meg. A következő címek hasznosak lehetnek:

De fontosabb feladatok megoldására is – például új gyógyszerek után kutatva. A Falu szakemberekhez fordult, hogy megtudja, milyen jellemzői vannak a technológiának, hogyan használják a hazai cégek, egyetemek.

Mik azok a neurális hálózatok?

Hogy megértsük, milyen helyet foglalnak el a neurális hálózatok a világban mesterséges intelligenciaés hogyan kapcsolódnak ezek az intelligens rendszerek létrehozására szolgáló egyéb technológiákhoz, kezdjük a definíciókkal.

Neurális hálózatok- a gépi tanulás egyik módszere, melynek alapjai 1943-ban, még a „mesterséges intelligencia” kifejezés megjelenése előtt keletkeztek. Ezek egy matematikai modell, amely távolról hasonlít az állatok idegrendszerének munkájára.

Stanislav Protasov, az Innopolis Egyetem vezető kutatója szerint a Jan Lekun matematikus által feltalált konvolúciós neurális hálózatok az emberi agy legközelebbi analógjai. „Sok olyan alkalmazás középpontjában állnak, amelyek mesterséges intelligenciának mondják magukat, mint például a FindFace vagy a Prisma” – jegyzi meg.

Gépi tanulás- a mesterséges intelligencia alszekciója a matematika és az informatika metszéspontjában. A tanulás elvén alapuló modellek és algoritmusok felépítésének módszereit tanulmányozza. A gép elemzi a rá betáplált példákat, kiemeli a mintákat, általánosítja azokat, és szabályokat épít fel, amelyek különféle problémákat oldanak meg - például az események jövőbeli alakulásának előrejelzésére vagy képek, szöveg és beszéd felismerésére és generálására. A neurális hálózatokon kívül itt lineáris regressziós módszereket, döntési fákat és egyéb megközelítéseket is alkalmaznak.

Mesterséges intelligencia- a számítástechnika egy szakasza, amely a korábban kizárólag az ember előjogának tekintett feladatok elvégzésére szolgáló gépek technológiai eszközeinek létrehozásáról, valamint az ilyen fejlesztések kijelöléséről szól. Az irány hivatalosan 1956-ban öltött testet.

Alekszandr Krainov

Hogy mit nevezhetünk mesterséges intelligenciának és mit nem, az megegyezés kérdése. Általánosságban elmondható, hogy az emberiség nem jutott el egy egyértelmű megfogalmazáshoz, hogy mi az intelligencia általában, nem is beszélve a mesterségesről. De ha összefoglaljuk a történéseket, akkor azt mondhatjuk, hogy a mesterséges intelligencia mély neurális hálózatok, amelyek komplex problémákat oldanak meg az ember szintjéhez közeli szinten, és bizonyos mértékig öntanuló. Ugyanakkor az öntanulás itt azt a képességet jelenti, hogy a nyers adatokból önállóan kinyerhetünk hasznos jelet.

Milyen a szakma jelenlegi állása?

A Gartner elemző ügynökség szerint a gépi tanulás jelenleg a túlzott várakozások csúcsán van. Jellemző erre a szakaszra, az izgalom körül új technológia túlzott lelkesedéshez vezet, ami sikertelen kísérletekké válik mindenhol. Becslések szerint az iparnak két-öt évre lesz szüksége, hogy megszabaduljon az illúzióktól. Orosz szakértők szerint a neurális hálózatoknak hamarosan szilárdsági próbán kell átmenniük.

Szergej Negodyaev

Portfóliómenedzser, Internet Initiatives Fejlesztési Alap

Bár a tudósok 70 éve formalizálják és fejlesztik a neurális hálózatokat, két fordulópont van e technológia fejlődésében. Az első 2007-ben volt, amikor a Torontói Egyetem mély tanulási algoritmusokat készített többrétegű neurális hálózatokhoz. A második pillanat, amely kiváltotta a mostani fellendülést, 2012 volt, amikor ugyanazon egyetem kutatói mély neurális hálózatokat alkalmaztak, és megnyerték az ImageNet versenyt, miután megtanulták minimális hibával felismerni a tárgyakat a fényképeken és videókon.

Most már van elég számítógépes teljesítmény a neurális hálózatokon alapuló feladatok túlnyomó többségének megoldására, ha nem is. Most a fő akadály a címkézett adatok hiánya. Viszonylagosan elmondható, hogy ahhoz, hogy a rendszer megtanulja felismerni a naplementét egy videón vagy fotón, milliónyi naplemente képet kell táplálnia, jelezve, hogy pontosan hol van a keretben. Például amikor feltölt egy fényképet a Facebookra, a barátai macskának ismerik fel a lenyugvó nap sugaraiban, és a közösségi háló egy sor címkét lát rajta: „állat”, „macska”, „fa”, „padló”, „este”, „narancs”. Akinek több edzésadata van, annak okosabb lesz a neurális hálózata.

Andrej Kalinin

A Poisk Mail.Ru vezetője

A neurális hálózaton alapuló szórakoztató alkalmazások, mint például az Artisto vagy a Vinci, csak a jéghegy csúcsát jelentik, és nagyszerű módja annak, hogy szélesebb közönség előtt bemutassák képességeiket. Valójában a neurális hálózatok számos összetett probléma megoldására képesek. A leginkább "forró" területek most az autopilóták, a hangasszisztensek, a chat-botok és az orvostudomány.

Alekszandr Krainov

A Yandex Computer Vision Service vezetője

Elmondhatjuk, hogy a neurális hálózatok fellendülése már beköszöntött, de még nem érte el csúcspontját. A továbbiakban csak érdekesebb lesz. A legígéretesebb területek ma talán a számítógépes látás, a párbeszédrendszerek, a szövegelemzés, a robotika, a pilóta nélküli járművek és a tartalomgenerálás – szövegek, képek, zene.

Ígéretes területek a neurális hálózatok megvalósításához

Szállítás

Robotika

Biotechnológia

Mezőgazdaság

A dolgok internete

Média és szórakoztatás

Nyelvészet

Biztonság

Vlad Shershulsky

A Microsoft technológiai együttműködési programok igazgatója Oroszországban

Az idegi forradalom már ma megtörtént. Néha még nehéz is megkülönböztetni a fikciót a valóságtól. Képzeljen el egy automata betakarítógépet több kamerával. Percenként 5 ezer képet készít, és a neurális hálón keresztül elemzi, hogy előtte van-e a gaz, vagy a kártevőkkel fertőzött növény, majd eldönti, mi legyen a következő lépés. Kitaláció? Már nem igazán.

Boris Wolfson

Fejvadász fejlesztési igazgató

Van egy bizonyos hype a neurális hálózatok körül, és véleményem szerint kissé magasak az elvárások. A frusztráció időszakán megyünk keresztül, mielőtt megtanulnánk, hogyan használjuk őket hatékonyan. Sok áttörést jelentő kutatási eredmény még nem nagyon alkalmazható az üzleti életben. A gyakorlatban gyakran ésszerűbb a gépi tanulás más módszereinek alkalmazása – például különféle döntési fákon alapuló algoritmusok. Valószínűleg nem tűnik olyan izgalmasnak vagy futurisztikusnak, de ezek a megközelítések nagyon gyakoriak.

Mit tanítanak a neurális hálózatok Oroszországban?

A piaci szereplők egyetértenek abban, hogy a neurális hálózatok számos vívmánya még mindig csak az akadémiai területen alkalmazható. A technológiát határain túl elsősorban szórakoztató alkalmazásokban használják, ami felkelti az érdeklődést a téma iránt. Ennek ellenére az orosz fejlesztők megtanítják a neurális hálózatokat társadalmilag jelentős és üzleti problémák megoldására. Nézzünk meg közelebbről néhány területet.

Tudomány és orvostudomány

A Yandex School of Data Analysis részt vesz a CRAYFIS kísérletben a Skolkovo, a Moszkvai Fizikai és Technológiai Intézet, a Higher School of Economics, valamint az amerikai UCI és NYU egyetemek képviselőivel együtt. Lényege ultranagy energiájú kozmikus részecskék keresése okostelefonok segítségével. A kamerákból származó adatokat felgyorsított neurális hálózatokba továbbítják, amelyek képesek a gyengén kölcsönható részecskék nyomait rögzíteni a képeken.

Nem ez az egyetlen nemzetközi kísérlet, amelyben orosz szakemberek vesznek részt. Az Innopolis Egyetem tudósai, Manuel Mazzara és Leonard Johard részt vesznek a BioDynaMo projektben. Az Intel és a CERN támogatásával olyan prototípust szeretnének létrehozni, amely képes reprodukálni az agykéreg teljes körű szimulációját. Segítségével az élő emberi agy jelenlétét igénylő kísérletek hatékonyságát és gazdaságosságát tervezik növelni.

Az Innopolis professzora, Yaroslav Kholodov részt vett egy olyan számítógépes modell kifejlesztésében, amely tízszer gyorsabban képes előre jelezni a fehérjekötések kialakulását. Ezzel az algoritmussal felgyorsítható a vakcinák és gyógyszerek kifejlesztése. Ugyanezen a területen a Mail.Ru Group, az Insilico Medicine és a MIPT fejlesztőit jegyezték fel. Generatív ellenséges hálózatokat használtak, amelyeket arra képeztek ki, hogy molekuláris struktúrákat találjanak ki, hogy olyan anyagokat keressenek, amelyek hasznosak lehetnek a ráktól a szív- és érrendszeri betegségekig terjedő betegségekben.

szépség és egészség

2015-ben az orosz Youth Laboratories cég elindította az első nemzetközi szépségversenyt, a Beauty.AI-t. A résztvevők fotóit neurális hálózatok értékelték ki. A nyertesek meghatározásakor figyelembe vették a nemet, az életkort, a nemzetiséget, a bőrszínt, az arc szimmetriáját és a ráncok jelenlétét vagy hiányát a felhasználóknál. Ez utóbbi tényező késztette a szervezőket a RYNKL szolgáltatás létrehozására is, amellyel nyomon követhető, hogy az öregedés hogyan hat a bőrre, és hogyan küzdenek ellene a különböző gyógyszerek.

A neurális hálózatokat a távorvoslásban is használják. Az orosz Mobile Medical Technologies cég, amely az Online Doctor and Pediatrician 24/7 projekteket irányítja, olyan diagnosztikai robotot tesztel, amely mind a betegek, mind az orvosok számára hasznos lesz. Először megmondja, melyik szakemberhez kell fordulnia bizonyos tünetekkel, a másodiknál ​​pedig segít meghatározni, hogy pontosan mitől is beteg a látogató.

Üzleti folyamatok és reklámozás optimalizálása

Az orosz Leadza startup neurális hálózatokat használva hatékonyabban osztja fel a költségvetést a Facebookon és az Instagramon való hirdetésre. Az algoritmus elemzi a korábbi kampányok eredményeit, előrejelzést készít a legfontosabb mérőszámokról, és ezek alapján automatikusan újraosztja a költségeket, így az online áruházak több vásárlóhoz juthatnak alacsonyabb költséggel.

A GuaranaCam csapata gépi tanulási technológiákat használt a termékek és reklámanyagok offline elhelyezésének hatékonyságának értékelésére. A rendszer a Microsoft Azure felhőn alapul, és CCTV kamerák segítségével elemzi a fogyasztói viselkedést. A cégtulajdonosok valós idejű kereskedési állapotjelentést kapnak. A projektet már alkalmazzák a Mega Belaya Dacha bevásárlóközpontban.

A neurális hálózatok üzleti felhasználásának sikeres hazai példái ezzel nem érnek véget. A mesterséges intelligencia technológiákkal 2006 óta kísérletező LogistiX raktároptimalizáló rendszert fejlesztett ki. Egy tanuló neurális hálózaton alapul, amely elemzi a fitneszkövetőktől kapott adatokat az alkalmazottakról, és újraosztja közöttük a terhelést. Most a csapat neurális hálózatokat tanít a házasság megkülönböztetésére.

A Belfinggroup holding még tovább ment. A "lánya" BFG-soft létrehozta a BFG-IS felhőplatformot, amely lehetővé teszi a vállalkozás kezelését a virtuális modell segítségével. Ez utóbbi a rendszer által összegyűjtött gyártási adatok alapján automatikusan épül fel, és nem csak azt mutatja meg, hogy a kitűzött célok figyelembevételével hogyan lehet a legjobban megszervezni a folyamatokat, hanem előrejelzi az esetleges változtatások következményeit – a berendezéscserétől a további műszakok bevezetéséig. 2016 végén az Internet Initiatives Development Fund úgy döntött, hogy 125 millió rubelt fektet be a vállalatba.

Toborzás és személyzeti menedzsment

Az orosz Stafory toborzó aggregátor egy olyan visszatérő neurális hálózat képzését fejezi be, amely nemcsak egyszótagú válaszokat tud adni a jelöltek kérdéseire, hanem teljes értékű beszélgetést is folytat velük az őket érdeklő állásról. A SuperJob portál csapata pedig egy olyan szolgáltatást tesztel, amely megjósolja, hogy a több száz azonos típusú önéletrajz közül melyikre lesz igény egy adott munkáltatónál.

Szállítás

A Cognitive Technologies intelligens rendszerek orosz fejlesztője neurális hálózatokat használ a járművek, gyalogosok, útjelző táblák, közlekedési lámpák és más, a keretbe belépő objektumok felismerésére. A cég ezenkívül adatokat gyűjt egy pilóta nélküli jármű neurális hálózatának betanításához. Több tízezer epizódról beszélünk, amelyek leírják a járművezetők reakcióit bizonyos kritikus helyzetekre az utakon. Ennek eredményeként a rendszernek optimális forgatókönyveket kell megfogalmaznia az autorobot viselkedésére. Ugyanezeket a technológiákat használják az intelligens mezőgazdasági közlekedés létrehozásához.

Emellett a neurális hálózatok más módon is használhatók a közlekedés területén. 2016 nyarán a Yandex hozzáadta az Avto.ru hirdetőtáblájához azt a funkciót, amely automatikusan felismeri az autómodellt a fényképéről. Akkoriban 100 márkát tudott a rendszer.

Pszichológia és biztonság

Az orosz NTechLab startup, amely felülmúlta a Google-t az arcfelismerő algoritmusok nemzetközi versenyében, a The MegaFace Benchmarkban, gépi tanulási technológiákat használt a FindFace alkalmazásban. Lehetővé teszi, hogy fénykép alapján találjon személyt a közösségi hálózatokban. A felhasználók gyakran fordulnak a szolgáltatáshoz hamisítványok felderítése érdekében, de hasznos lehet a rendfenntartók számára is. Segítségével már több bűnöző személyazonosságát sikerült megállapítani, köztük a moszkvai Citibank megszállóját is. A FindFace.Pro üzleti verziója az ügyfelek azonosításában érdekelt cégek számára elérhető. Most a rendszer képzése zajlik mások nemének, életkorának és érzelmeinek meghatározására, ami nemcsak az ügyfelekkel való kommunikáció során lehet hasznos, hanem a személyzet irányítása során is.

Hasonlóképpen, a neurális hálózatokat egy másik orosz cég, a VisionLabs használja. Arcfelismerő technológiát használ, hogy biztonságot nyújtson a bankokban, és különleges ajánlatokat készítsen a különböző kiskereskedelmi egységek leghűségesebb ügyfelei számára.

Az Emotian startup is hasonló irányban dolgozik. Véglegesíti a városok érzelmi állapotát meghatározó rendszert. A neurális hálózat eddig a közösségi oldalakon megjelent publikációk alapján számítja ki a legboldogabb területeket, de a jövőben a cég figyelembe veszi a kamerák biometrikus adatait is.

Média és kreativitás

A neurális hálózatok orosz piacának egyik fő szereplője a Yandex. A cég nemcsak keresőszolgáltatásaiban, hanem más termékekben is alkalmazza a gépi tanulást. 2015-ben elindított egy ajánlórendszert. zen”, amely egy adott felhasználó érdeklődési köre alapján híreket, cikkeket, fényképeket és videókat tartalmaz. Minél gyakrabban fordul az algoritmus által kiválasztott anyagokhoz, annál pontosabban határozza meg a neurális hálózat, hogy mi tetszhet még neki.

Emellett a Yandex a kreativitással is kísérletezik. A cég dolgozóinak már sikerült a neurális hálós megközelítést alkalmazni a költészetben, majd

- 26,76 Kb

Neurális hálózatok az orvostudományban

Alekszandr Jezsov, Vlagyimir Csecsetkin

Innovációs és Fúziós Kutatási Intézet, Troitsk

[e-mail védett]

Konkrét rendszerek

Harc a rák ellen

Idegrendszerek, genetika és molekulák

Neurális hálózatok járják a bolygót

Konklúzió helyett

Éles fájdalom a mellkasban. Mentő szállítja a beteget a sürgősségire, ahol az ügyeletes orvosnak kell diagnosztizálnia és megállapítania, hogy valóban szívinfarktusról van-e szó. A tapasztalatok azt mutatják, hogy a hasonló tünetekkel felvett betegek között kicsi a szívinfarktuson átesett betegek aránya. Ennek ellenére még mindig nincsenek pontos diagnosztikai módszerek. Az elektrokardiogram néha nem tartalmazza a betegség nyilvánvaló jeleit. És a beteg állapotának hány paramétere segíthet ilyen vagy olyan módon a helyes diagnózis felállításában ebben az esetben? Negyven felett. A sürgősségi osztályon dolgozó orvos gyorsan elemezheti ezeket a mutatókat, valamint azok kapcsolatait, hogy döntést hozzon a beteg kardiológiai osztályra utalásáról? A neurális hálózati technológiák bizonyos mértékig segítenek megoldani ezt a problémát.

A statisztikák a következők: az orvos a betegek 88% -ában helyesen diagnosztizálja a szívinfarktust, és az esetek 29% -ában tévesen állapítja meg ezt a diagnózist. Túl sok a téves riasztás (túldiagnózis). A diagnózis minőségét javító különféle adatfeldolgozási módszerek alkalmazásának története évtizedekre nyúlik vissza, de ezek közül a legjobbak csak 3%-kal csökkentették a túldiagnózisos esetek számát.

1990-ben William Bakst, a San Diego-i Kaliforniai Egyetem munkatársa egy neurális hálózatot – egy többrétegű perceptront – használt a szívinfarktus felismerésére azoknál a betegeknél, akiket akut mellkasi fájdalommal vettek fel a sürgősségi osztályra. Célja egy olyan eszköz létrehozása volt, amely a felvett beteg állapotát jellemző adatáramlással megbirkózni képtelen orvosok segítségére lehet. További cél lehet a diagnosztika javítása. A kutató megnehezítette a dolgát, mert csak azon betegek adatait elemezte, akik már korábban kardiológiai osztályra kerültek. Bakst mindössze 20 paramétert használt, amelyek között szerepelt az életkor, a nem, a fájdalom helye, a nitroglicerinre adott válasz, hányinger és hányás, izzadás, ájulás, légzésszám, pulzusszám, korábbi szívinfarktus, cukorbetegség, magas vérnyomás, nyaki vénák tágulása, számos EKG-jellemzők és jelentős ischaemiás változások jelenléte.

A hálózat 92%-os pontosságú volt a szívinfarktus kimutatásában, és csak 4%-ban produkált téves riasztást, tévesen igazolva az infarktus nélküli betegek kardiológiai osztályra utalását. Tehát a mesterséges neurális hálózatok sikeres alkalmazása a betegség diagnosztizálásában tény. Most el kell magyarázni, hogy általános esetben milyen paraméterek alapján értékelik a diagnózis minőségét. Tegyük fel, hogy tíz szívrohamon átesett ember közül nyolcnál a diagnosztikai módszer képes kimutatni a betegséget. Ekkor a módszer érzékenysége 80% lesz. Ha tíz olyan embert veszünk, aki nem kapott szívinfarktust, és a diagnosztikai módszer három személynél gyanítja, akkor a téves riasztások aránya 30%, míg egy további jellemző - a módszer sajátossága - 70 lesz. %.

Az ideális diagnosztikai módszernek száz százalékos érzékenységgel és specifitással kell rendelkeznie - egyrészt azért, hogy ne hagyjon ki egyetlen igazán beteg embert sem, másrészt ne riassza el az egészséges embereket. A biztosítás érdekében mindenekelőtt a módszer száz százalékos érzékenységének biztosítására lehet és kell is próbálkozni – a betegséget nem lehet kihagyni. Ez azonban általában a módszer alacsony specifitását eredményezi - sok emberben az orvosok olyan betegségekre gyanakszanak, amelyekben a betegek valójában nem szenvednek.

Neurális hálózatok diagnosztikai feladatokhoz

A neurális hálózatok nemlineáris rendszerek, amelyek sokkal jobb adatosztályozást tesznek lehetővé, mint az általánosan használt lineáris módszerek. Az orvosi diagnosztikában alkalmazva lehetővé teszik a módszer specifitásának jelentős növelését anélkül, hogy csökkentenék annak érzékenységét.

Emlékezzünk vissza, hogy a szívrohamot diagnosztizáló neurális hálózat számos paraméterrel működött, amelyeknek a személy diagnózisára gyakorolt ​​​​hatását nem lehet felmérni. Ennek ellenére a neurális hálózatok képesek voltak döntéseket hozni a többdimenziós adatokban azonosított rejtett minták alapján. A neurális hálózatok sajátossága, hogy nincsenek programozva – nem használnak semmilyen következtetési szabályt a diagnózis felállításához, hanem példákon keresztül tanítják őket erre. Ebben az értelemben a neurális hálózatok egyáltalán nem olyanok, mint a szakértői rendszerek, amelyek fejlesztése a 70-es években a mesterséges intelligencia átmeneti „győzelme” után ment végbe a memóriamodellezés, mintafelismerés és általánosítás megközelítésével szemben, amely a tanulmány alapján. az agy neurális szerveződéséről.

A kifejlesztett szakértői rendszerek közül az egyik legismertebb, amelynek működtetése a szakértőktől kinyert ismereteken és a következtetési eljárások végrehajtásán alapult, a MYCIN rendszer volt. Ezt a rendszert a 70-es évek elején Stanfordban fejlesztették ki a szeptikus sokk diagnosztizálására. A betegek fele egy napon belül belehalt, és az orvosok csak az esetek 50%-ában tudták kimutatni a szepszist. A MYCIN a szakértői rendszertechnológia igazi diadalának tűnt, mivel az esetek 100%-ában képes kimutatni a szepszist. Ennek a szakértői rendszernek a közelebbi megismerése után azonban az orvosok jelentősen továbbfejlesztették a hagyományos diagnosztikai módszereket, és a MYCIN elvesztette jelentőségét, oktatási rendszerré alakult. A szakértői rendszerek csak a kardiológiában "mentek" - az elektrokardiogramok elemzéséhez. A klinikai EKG-elemzésről szóló könyvek fő tartalmát alkotó összetett szabályokat a megfelelő rendszerek felhasználták a diagnosztikai következtetések kiadására.

A diagnosztika az eseményosztályozás speciális esete, és a legértékesebb azoknak az eseményeknek az osztályozása, amelyek nem szerepelnek a neurális hálózati oktatókészletben. Itt megnyilvánul a neurális hálózati technológiák előnye - képesek egy ilyen osztályozást elvégezni, általánosítva a korábbi tapasztalatokat és új esetekben alkalmazni.

Konkrét rendszerek

Diagnosztikai programra példa a RES Informatica által a milánói Kardiológiai Kutatóközponttal közösen kifejlesztett kardiodiagnosztikai csomag. A program nem invazív kardiodiagnosztikát tesz lehetővé a tachogram spektrumainak felismerése alapján. A tachogram az egymást követő szívverések közötti intervallumok hisztogramja, és spektruma az emberi szimpatikus és paraszimpatikus idegrendszer aktivitásának egyensúlyát tükrözi, amely specifikusan változik különböző betegségekben.

Így vagy úgy, de már most kijelenthető, hogy a neurális hálózatok a kardiodiagnosztika eszközévé válnak - Angliában például négy kórházban használják a szívinfarktus megelőzésére.

Az orvostudományban a neurális hálózatok egy másik jellemzőjét is használják - az időbeli szekvenciák előrejelzésére való képességüket. Már említettük, hogy a szakértői rendszereknek sikerült az EKG-elemzés. A neurális hálózatok itt is hasznosak. Ki Zhenghu, Yu Henu és Willis Tompkins, a Wisconsini Egyetem munkatársa olyan neurális hálózati szűrőrendszert fejlesztett ki az elektrokardiogramhoz, amely a korábban használt módszereknél sokkal jobban képes elnyomni a nem lineáris és nem álló zajt. A helyzet az, hogy a neurális hálózat jól megjósolta a zajt a korábbi időpontok értékei alapján. És azt a tényt, hogy a neurális hálózatok nagyon hatékonyak az idősorok (például árfolyamok vagy tőzsdei árfolyamok) előrejelzésére, meggyőzően bizonyították a Santa Fe Egyetem prediktív programok versenyének eredményei - a neurális hálózatok az első helyet szerezték meg és dominálták a legjobb módszereket.

Neurális hálózatok használatának lehetőségei

Az EKG privát, bár rendkívül fontos alkalmazás. Manapság azonban számos más példa is létezik a neurális hálózatok orvosi előrejelzésekhez való felhasználására. Ismeretes, hogy a szívsebészeti osztályokon a hosszú sorban állást (hetektől hónapokig) az intenzív osztályok hiánya okozza. Számukat nem lehet növelni az újraélesztés magas költségei miatt (az amerikaiak életük utolsó 2 hetében a pénzeszközök 70%-át ezen az osztályon költik).

Az egyetlen kiút a rendelkezésre álló források hatékonyabb felhasználása. Tegyük fel, hogy az egy napon operált betegek állapota olyan súlyos, hogy hosszú (két napnál tovább) intenzív osztályon kell tartózkodniuk. A sebészek egész idő alatt tétlenkednek, mert nincs hova elhelyezni a frissen műtött betegeket. Súlyos betegeket okosabb a hétvégék vagy ünnepnapok előtt megoperálni - a műtők ezekben a napokban is zárva tartanak, a sebészek pihennek, a betegek az intenzíven gyógyulnak. De a munkahét elején jobb megoperálni azokat a betegeket, akiknek csak egy-két napig kell az intenzív osztályon lenniük. Ezután az intenzív osztályon gyorsabban felszabadulnak az ágyak, és kedden és szerdán műtött új betegeket fogadnak.

A kérdés az, hogyan lehet kitalálni, hogy a műtét után kinek kell még sokáig az intenzív osztályon maradnia, és kinek nem. Jack Too és Michael Guerier, a Torontói Egyetem St. Michael's Hospital munkatársa neurális hálózatokat használt az előrejelzéshez. Kiindulási adatként csak azokat az információkat vették fel a páciensről, amelyek a műtét előtti időszakban ismertek. Megjegyzendő, hogy a korábbi, neurális hálózatokat nem használó tanulmányokban fontos posztoperatív információkat is felhasználtak az intenzív terápiában való tartózkodás fokozott kockázatának tényezőiként – a sebészeti beavatkozás során felmerülő különféle szövődmények miatt.

Tu és Guerir egy kétrétegű perceptront képeztek ki, amellyel három kockázati csoportba osztották a betegeket, figyelembe véve életkorukat, nemüket, a bal kamra funkcionális állapotát, a közelgő műtét összetettségének mértékét és a kísérő betegségek jelenlétét. Azoknak a betegeknek, akiknek a hálózat szerint alacsony az intenzív ellátás késésének kockázata, mindössze 16,3%-a töltött ténylegesen két napnál többet intenzív osztályon. Ugyanakkor a hálózat által magas kockázatúként azonosítottak több mint 60%-a beváltotta a kedvezőtlen prognózist.

Harc a rák ellen

Kiemelt figyelmet fordítottunk a szív- és érrendszeri megbetegedésekre, hiszen a halálokok listáján ők állnak a szomorú vezető helyen. A második helyen az onkológiai betegségek állnak. Az egyik fő terület, ahol jelenleg folyik a munka a neurális hálózatok használatával kapcsolatban, az emlőrák diagnózisa. Ez a betegség minden kilencedik nő halálának oka.

A daganat kimutatását az emlő kezdeti röntgenvizsgálata (mammográfia) és a tumorszövet egy darabjának ezt követő elemzése (biopszia) során végzik. Annak ellenére, hogy léteznek általános szabályok a jóindulatú és rosszindulatú daganatok megkülönböztetésére, a mammográfia szerint a későbbi sebészeti biopszia eredményeinek csak 10-20%-a igazolja valóban az emlőrák jelenlétét. Ismét egy rendkívül alacsony módszerspecifikus esettel van dolgunk.

A Duke Egyetem kutatói egy neurális hálózatot képeztek ki a rosszindulatú szövetek mammográfiájának felismerésére nyolc olyan jellemző alapján, amellyel a radiológusok általában foglalkoznak. Kiderült, hogy a hálózat körülbelül 100%-os érzékenységgel és 59%-os specificitással képes megoldani a problémát (hasonlítsa össze a radiológusok 10-20%-ával). Hány jóindulatú daganatos nő menthető meg attól a stressztől, hogy biopsziát vegyen ezzel az ideghálózattal! A Mayo Clinic-en (Minnesota) a neurális hálózat az emlő ultrahang eredményeit elemezve 40%-os specificitást adott, míg ugyanezen nők esetében a radiológusok következtetésének specificitása nullának bizonyult. Nem igaz, hogy a neurális hálózati technológiák használatának sikere egyáltalán nem tűnik véletlennek?

Az emlőrák kezelését követően a daganat kiújulása lehetséges. A neurális hálózatok már segítenek ezek hatékony előrejelzésében. Hasonló kutatásokat végeznek a Texasi Egyetem Orvostudományi Karán is. A képzett hálózatok megmutatták, hogy képesek azonosítani és figyelembe venni a prediktív változók nagyon összetett kapcsolatait, különösen azok hármas kapcsolatait, hogy javítsák az előrejelzési képességet.

A neurális hálózatok orvosi felhasználási lehetőségei sokrétűek, felépítésük sokrétű. A betegség egyik vagy másik módszerrel történő kezelésének hosszú távú eredményeinek előrejelzése alapján az egyik előnyben részesíthető. A petefészekrák (minden hetvenedik nő betegsége) kezelésének prognózisában jelentős eredményt ért el a híres holland szakember, Herbert Kappen, a Nimegeni Egyetemről (munkájában nem többrétegű perceptronokat, hanem az ún. Gépek – neurális hálózatok a valószínűségek felmérésére).

Íme egy példa a rák egy másik típusára. A japán Kagawa orvosi egyetem kutatói egy neurális hálózatot képeztek ki, amely szinte hibamentes preoperatív adatokkal jelezte előre a májreszekció eredményeit hepatocelluláris karcinómában szenvedő betegeknél.

A Troitsk Innovációs és Fúziós Kutatóintézetben (TRINITI) a Tudományos Minisztérium által megvalósított neurális hálózati tanácsadó rendszerek létrehozására irányuló projekt részeként olyan neurális hálózati programot dolgoztak ki, amely a bazálissejtes bőrrák (basalioma) kezelési módszerét választja ki. ) a kiújulás hosszú távú prognózisa alapján. A basalioma - a vékony bőrű, fehér bőrű emberek onkológiai betegsége - megbetegedések száma az összes onkológiai megbetegedés egyharmada.

A melanoma egyik formájának - a bazalioma pigmentált formájától néha nehezen megkülönböztethető daganat - diagnózisát a krasznojarszki SOAN számítástechnikai központjában A. N. Gorban irányítása alatt kifejlesztett Multineuron neurális hálózati szimulátor segítségével hajtották végre.

Rövid leírás

Neurális hálózatok diagnosztikai feladatokhoz

Konkrét rendszerek

Neurális hálózatok használatának lehetőségei

Harc a rák ellen

Idegrendszerek, genetika és molekulák

Neurális hálózatok járják a bolygót